Stokastisk modellering av smittspridning

Relevanta dokument
Erdös-Rényi-grafer. Jiong Cao. Kandidatuppsats i matematisk statistik Bachelor Thesis in Mathematical Statistics

En jämförelse av triangelskapande mekanismer hos slumpgrafer

Valbara kurser för kandidatexamen i matematisk statistik

** a) Vilka värden ska vara istället för * och **? (1 p) b) Ange för de tre tillstånden vilket som svarar mot 0,1,2 i figuren.

Effekt av karantän under epidemi i sociala nätverk

Ebolas epidemirisk och kontrollstrategier

Studie av olika strategier för att förhindra spridningen av ett datorvirus inom ett e-postnätverk

Utbildningsplan för Matematikprogrammet (N1MAT) Bachelor s Programme in Mathematics Grundnivå

SF1901 Sannolikhetsteori och statistik I

Simultan spridning av HIV och TBC

Stokastiska Processer och ARIMA. Patrik Zetterberg. 19 december 2012

NATURVETENSKAPLIGA FAKULTETEN

Matematisk statistik 9 hp Föreläsning 4: Flerdim

SF1901: Sannolikhetslära och statistik. Flera stokastiska variabler.

Stokastiska processer med diskret tid

Matematisk statistik för D, I, Π och Fysiker

Matematisk statistik 9hp Föreläsning 2: Slumpvariabel

1. En kortlek består av 52 kort, med fyra färger och 13 valörer i varje färg.

Uppgift 3: Den stokastiska variabeln ξ har frekvensfunktionen 0 10 f(x) =

Matematisk statistik för D, I, Π och Fysiker

Tentamen i Statistik, STA A13 Deltentamen 1, 4p 27 mars 2004, kl

Matematisk statistik för D, I, Π och Fysiker

Stokastiska processer med diskret tid

Föreläsning 2, Matematisk statistik för M

1.1 Diskret (Sannolikhets-)fördelning

Matematisk statistik KTH. Formelsamling i matematisk statistik

SF1901 Sannolikhetsteori och statistik I

Tentamen LMA 200 Matematisk statistik,

Utbildningsplan för Matematiska vetenskaper, masterprogram (N2MAT), 120 hp

Avd. Matematisk statistik

Föreläsning 8, Matematisk statistik Π + E

SF1901: Sannolikhetslära och statistik

Matematisk statistik för D, I, Π och Fysiker

Matematisk statistik 9 hp Föreläsning 8: Binomial- och Poissonfördelning, Poissonprocess

b) Vad är sannolikheten att personen somnar i lägenheten? (4 p) c) Hur många gånger förväntas personen byta rum? (4 p)

Tentamen LMA 200 Matematisk statistik, data/elektro

NAMAS, Masterprogram i matematisk statistik, 120 högskolepoäng Master Programme in Mathematical Statistics, 120 credits

LINKÖPINGS UNIVERSITET EXAM TAMS 27 / TEN 2

Finansiell Statistik (GN, 7,5 hp,, HT 2008) Föreläsning 3

Matematisk statistik 9 hp Föreläsning 3: Transformation och simulering

Innehåll

SF1901: Sannolikhetslära och statistik. Mer om Approximationer

Schellings segregationsmodell - en simuleringsstudie

4 Diskret stokastisk variabel

Avd. Matematisk statistik

a) Beräkna sannolikheten att en följd avkodas fel, det vill säga en ursprungliga 1:a tolkas som en 0:a eller omvänt, i fallet N = 3.

Föreläsning 5, Matematisk statistik Π + E

FACIT: Tentamen L9MA30, LGMA30

Matematisk statistik, LMA 200, för DAI och EI den 25 aug 2011

F2 Introduktion. Sannolikheter Standardavvikelse Normalapproximation Sammanfattning Minitab. F2 Introduktion

Föreläsning 7: Punktskattningar

Markovprocesser SF1904

SF1901: Sannolikhetslära och statistik

GÖTEBORGS UNIVERSITET Naturvetenskapliga fakultetsnämnden. Utbildningsplan för Matematikprogrammet (N1MAT) 1. Beslut om fastställande. 2.

Markovprocesser SF1904

SF1920/SF1921 Sannolikhetsteori och statistik 6,0 hp Föreläsning 6 Väntevärden Korrelation och kovarians Stora talens lag. Jörgen Säve-Söderbergh

SF1901: Sannolikhetslära och statistik

Övningstentamen i matematisk statistik

Tentamen LMA 200 Matematisk statistik,

Tentamen i Sannolikhetslära och statistik (lärarprogrammet) 12 februari 2011

SF1920/SF1921 Sannolikhetsteori och statistik 6,0 hp Föreläsning 3 Diskreta stokastiska variabler. Jörgen Säve-Söderbergh

SF1901: Sannolikhetslära och statistik

(a) Avgör om A och B är beroende händelser. (5 p) (b) Bestäm sannolikheten att A inträffat givet att någon av händelserna A och B inträffat.

Kursbeskrivning för Statistisk teori med tillämpningar, 15 hp

Våra vanligaste fördelningar

Föreläsning 7: Punktskattningar

SF1915 Sannolikhetsteori och statistik 6 hp. χ 2 -test

Transportplan för postnummer LULEÅ

Transportplan för postnummer KALMAR

DRICKS. Projektprogram för FoU inom dricksvattenområdet i Sverige från råvatten till tappkran (projekt nr , för DRICKS )

Uppgift 1 (a) För två händelser, A och B, är följande sannolikheter kända

ÖVNINGSUPPGIFTER KAPITEL 9

e x/1000 för x 0 0 annars

Undervisningsprogram Uppdaterat Matematik

Kristianstad Padel League (KPL) är öppen för alla. Matcherna spelas i Lindabhallen i Kristianstad enligt ett fastställt spelschema.

Kursnamn Omf. Kod Lärare Vecka Tid Auditorium

Problemsamling i Sannolikhetsteori

SF1901: Sannolikhetslära och statistik

Problemdel 1: Uppgift 1

Föreläsning 2 (kap 3): Diskreta stokastiska variabler

Laboration 2: Sannolikhetsteori och simulering

Matematisk statistik 9hp Föreläsning 7: Normalfördelning

Formel- och tabellsamling i matematisk statistik

FMSF55: Matematisk statistik för C och M OH-bilder på föreläsning 5, a 2 e x2 /a 2, x > 0 där a antas vara 0.6.

Exempel. Kontinuerliga stokastiska variabler. Integraler i stället för summor. Integraler i stället för summor

Föreläsning 3. Kapitel 4, sid Sannolikhetsfördelningar

Sannolikhetslära och statistik, grundkurs

cx 5 om 2 x 8 f X (x) = 0 annars Uppgift 4

Individ nr Första testet Sista testet

40 5! = 1, ! = 1, Om man drar utan återläggning så kan sannolikheten beräknas som 8 19

9. Beräkna volymen av det område som begränsas av planet z = 1 och paraboloiden z = 5 x 2 y 2.

TT091A, TVJ22A, NVJA02 Pu, Ti. 50 poäng

Utbildningsplan. Utbildningens mål. Utbildningens omfattning och innehåll. Kunskap och förståelse. Färdigheter och förmågor

1 Föreläsning V; Kontinuerlig förd.

Avd. Matematisk statistik

Sannolikhet och statistik XI

bli bekant med summor av stokastiska variabler.

Föreläsning 3, Matematisk statistik Π + E

Optimering och simulering: Hur fungerar det och vad är skillnaden?

TENTAMEN I SF1904 MARKOVPROCESSER FREDAGEN DEN 17 AUGUSTI 2018 KL

Transkript:

Stokastisk modellering av smittspridning inom ishockey Axel Åström Kandidatuppsats i matematisk statistik Bachelor Thesis in Mathematical Statistics

Kandidatuppsats 2017:19 Matematisk statistik Juni 2017 www.math.su.se Matematisk statistik Matematiska institutionen Stockholms universitet 106 91 Stockholm Matematiska institutionen

Matematisk statistik Stockholms universitet Kandidatuppsats 2017:19 http://www.math.su.se/matstat Stokastisk modellering av smittspridning inom ishockey Axel Åström Juni 2017 Sammanfattning I denna rapport undersöks smittspridningen inom ishockey med hjälp av en stokastisk modell definierad i diskret tid. I modellen kan individer ha kontakter på en lokal nivå respektive en global nivå. Där den lokala nivån syftar på kontakter inom lag medan kontakter på den globala nivån sker när individer inom ett lag har kontakter med personer från ett annat lag i samband med att lagen spelar match mot varandra. Huvudfrågeställningen i arbetet är således att upptäcka om epidemins slutstorlek skiljer sig mellan två olika typer av spelscheman genom att utföra diverse simuleringar. Där de båda spelscheman som används utgår från att lagen spelar match var tredje dag. Skillnaden är att i det slumpmässiga schemat lottas spelordningen mellan lagen för varje matchdag medan det verkliga schemat utgår från ett spelschema som användes i den svenska ishockeyligan SHL under säsongen 2016-2017. Resultatet blev då att slutstorleken verkade vara oberoende av vilket av de två spelscheman som användes. Däremot visade det sig att under vissa förutsättningar kunde epidemins slutstorlek minska samtidigt som smittsannolikheten inom lag ökade. Postadress: Matematisk statistik, Stockholms universitet, 106 91, Sverige. E-post: axel_eik95(at)msn.com. Handledare: Mia Deijfen och Pieter Trappman.

R 0

S S E E I I R R R R R t = 1, 2,..., 156

π L π G P (t) SE P (t) SE M P EI P IR S t E t I t R t S ti E ti I ti R ti SE EI IR SE i EI i IR i S S S E t S E t E I I R S t E t I t R t S t i E t i I t i R t i S E t E I t I R t i S E t i E I t i I R t i = 1, 2,..., n n n n n n S t = S ti E t = E ti I t = I ti R t = i=1 SE = n i=1 SE i i=1 EI = n i=1 EI i i=1 IR = n i=1 R ti i=1 IR i

N t N = S t +E t +I t +R t i M M = S ti + E ti + I ti + R ti i t N M t = 0 I N 1 S t = 0 S 0 = N 1 E 0 = 0 I 0 = 1 R 0 = 0 t = 1 t = 2 t = 3 S t = N k E t = 0 I t = 0 R t = k 1 k N k E I E I E I R t

S E I S 1 π L i t 1 P (t) SE = (1 π L) I ti P (t) SE = 1 (1 π L) I ti S t S E t i SE i Bin(S ti, P (t) SE ) i i j 1 P (t) SE M = (1 π L ) I ti (1 π G ) I tj i i j P (t) SE M = 1 (1 π L ) I ti (1 π G ) I tj S E t i SE i Bin(S ti, P (t) SE M )

E I E I P EI E (1 P EI ) P EI t P EI t D E D E Geo(P EI ) E[D E ] = 1 P EI E I t i EI i Bin(E ti, P EI ) I R t I R I P IR (1 P IR ) t P IR I D I Geo(P IR ) E[D I ] = 1 P IR I R t i IR Bin(I ti, P IR )

R 0 R 0 R 0 R 0 R 0 R0 L n = 30 R R0 L π L R L 0 = (n 1)P (A) P (A) P (A) = t=1 (1 P IR ) t 1 P IR P (A B t ) B t t P (A B t ) = 1 (1 π L ) t R L 0 R0 L = (n 1) (1 P IR ) t 1 P IR (1 (1 π L ) t ) t=1 = n 1 1 P IR (1 P IR ) t P IR (1 (1 π L ) t ) t=1 = n 1 P IR [1 1 P IR 1 (1 P IR )(1 π L ) ] = n 1 π L (1 P IR ) [ 1 P IR P IR + π L (1 P IR ) ]

R 0 R 0 R 0 ρ ρ ρ ρ π L π G

i t X U(0, 1) P (t) SE P EI P IR P EI P IR P (t) SE P (t) SE M P (t) SE

π L π G P EI P IR π L π G P EI = 1 P IR = 0.2 π G = 0.002

P EI = 1 P IR = 0.2 π G = 0.002 π L P IR

P EI = 1 P IR = 0.5 π G = 0.002 π L R E P EI = 0.2 P IR = 0.2 π G = 0.002

P EI = 0.2 P IR = 0.5 π G = 0.002 π L R 0 R 0

P EI = 1 P IR = 0.5 π L = 0.02 π L π G P EI = 1 P IR = 0.5 π L = 0.02 π G R L 0 = 1.137255 P EI = 1 P IR = 0.5 π L = 0.02 π G = 0.005

π L = 0.02 π G = 0.005 P IR = 0.5 P EI = 1 R0 L = 1.137255 P EI = 1 P IR = 0.2 π L = 0.1 π G = 0.002 P EI = 0.5 P IR = 0.5 π L = 0.05 π G = 0.005

π L = 0.1 π G = 0.002 P IR = 0.2 P EI = 1 π L = 0.05 π G = 0.005 P IR = 0.5 P EI = 0.5 R0 L = 3.295455 RL 0 = 2.761905

π L = 0.1 π G = 0.002 P IR = 0.2 P EI = 1 R0 L = 3.295455

π L = 0.05 π G = 0.005 P IR = 0.5 P EI = 0.5 R0 L = 2.761905

1 0 0 0 1 0 0 0 0 1 0 0 1 0 0 0 0 0 0 1 1 0 0 0 0 0 1 0 P EI = 1 P IR = 0.5 π G = 0.01 π L

P EI = 0.2 P IR = 0.2 π G = 0.01 π L